Uplift Modeling으로 마케팅 비용, 똑! 떨어뜨리기

Uplift Modeling을 통해 마케팅 비용 최적화 문제를 정의하고, Causal Inference 모델을 적용함

Double Machine Learning(DML)을 활용하여 CATE를 추정하고, Multiple Treatments를 처리함

CPA 214원 절감을 통해 마케팅 비용 절감 효과를 검증, Confounder 선정의 중요성을 강조함

DML: 인과 효과 추정의 핵심

Double Machine Learning(DML)은 CATE를 추정하기 위한 강력한 방법이다. 구체적으로, orthogonalization 과정을 통해 confounder의 영향을 제거한다. 따라서, 과적합 방지와 유효한 신뢰 구간 확보가 가능하다. 반면, 'no hidden confounder' 가정을 만족해야 하는 제약이 있다.

Multiple Treatments: 최적의 마케팅 전략

다양한 마케팅 금액(treatment)에 대한 CATE를 추정하여, 최적의 treatment를 선택한다. CATE gap을 활용하여, 마케팅 예산 효율화를 달성한다. 따라서, Persuadables 그룹에 집중하여 CPA 절감을 이끌어낸다. 반면, confounder 선정에 따라 결과가 크게 달라질 수 있다.

Offline & Online 평가: 모델 성능 검증

AUUC를 통해 모델의 Offline 성능을 평가하고, A/B 테스트를 통해 Online 평가를 수행한다. 구체적으로, CPA를 비교하여 마케팅 비용 절감 효과를 검증한다. 따라서, 실제 서비스 적용을 통해 모델의 실효성을 입증한다. 반면, confounder의 영향력을 정확히 파악해야 한다.